Beskrivelse
Denne facilitet leverer hardware til AgrospAI Data Space, som er forbundet med agrifoodTEF Data Space og tilbyder bl.a. computer-til-data-funktioner og flere datarumskonfigurationer til kørsel af databehandlingstjenester, herunder kunstig intelligens og navnlig dyb læring. Dataområdet understøttes af en klynge, der tilsammen giver 280 CPU-kerner, 1,7 TB CPU-hukommelse, 6 GPU'er giver i alt 288 GB GPU-hukommelse og 28 TB højhastighedslager.
Hvad kan der tilbydes gennem denne facilitet?
AgrospAI Data Space Cluster giver et avanceret miljø til end-to-end-validering af AI- og robotsystemer, der gør det muligt at:
(1) Federated compute-to-data-operationer på tværs af AgrospAI- og agrifoodTEF-dataområder, der giver sikker adgang til distribuerede datasæt uden at gå på kompromis med databeskyttelsen.
(2) Simulering i stor skala og benchmarking under faktiske forhold for AI-modeller og robotplatforme, fra selvkørende køretøjer på jorden til intelligente manipulatorer, herunder ydeevne og adfærd under variable miljøforhold.
(3) Rapid prototyping med feedback-sløjfer i realtid, der understøtter iterativ udvikling og tuning af algoritmer til opfattelse, planlægning og kontrol.
(4) Brugerdefineret algoritme benchmarking på massive agro-industrielle datasæt, herunder computer vision, LiDAR, og sensor fusion data, for at evaluere nøjagtighed, robusthed og skalerbarhed.
(5) Edge-to-cloud-præstationstest, der muliggør problemfri evaluering af AI-arbejdsbyrder på tværs af heterogene implementeringer, fra indlejrede robotteknologiplatforme til cloudbaserede AI-tjenester.
(6) High-throughput dataanalyse til dyb systemindsigt, identifikation af flaskehalse, optimering af ressourceforbrug og forbedring af modelfortolkning.
(7) Test af sikkerhed, pålidelighed og overholdelse, der sikrer, at AI-drevne robotløsninger opfylder de højeste standarder for driftssikkerhed, overholdelse af lovgivningen og industriel robusthed.
(1) Federated compute-to-data-operationer på tværs af AgrospAI- og agrifoodTEF-dataområder, der giver sikker adgang til distribuerede datasæt uden at gå på kompromis med databeskyttelsen.
(2) Simulering i stor skala og benchmarking under faktiske forhold for AI-modeller og robotplatforme, fra selvkørende køretøjer på jorden til intelligente manipulatorer, herunder ydeevne og adfærd under variable miljøforhold.
(3) Rapid prototyping med feedback-sløjfer i realtid, der understøtter iterativ udvikling og tuning af algoritmer til opfattelse, planlægning og kontrol.
(4) Brugerdefineret algoritme benchmarking på massive agro-industrielle datasæt, herunder computer vision, LiDAR, og sensor fusion data, for at evaluere nøjagtighed, robusthed og skalerbarhed.
(5) Edge-to-cloud-præstationstest, der muliggør problemfri evaluering af AI-arbejdsbyrder på tværs af heterogene implementeringer, fra indlejrede robotteknologiplatforme til cloudbaserede AI-tjenester.
(6) High-throughput dataanalyse til dyb systemindsigt, identifikation af flaskehalse, optimering af ressourceforbrug og forbedring af modelfortolkning.
(7) Test af sikkerhed, pålidelighed og overholdelse, der sikrer, at AI-drevne robotløsninger opfylder de højeste standarder for driftssikkerhed, overholdelse af lovgivningen og industriel robusthed.
